工业4.0以及能源互联网概念的提出对于建立坚强智能电网、提高供电可靠性的要求日益严格,变压器作为电网中最重要的设备之一,在电力传输中起到了承上启下的作用,因此提高变压器运行的可靠性是至关重要的。对变压器进行有效的状态监测,对于变压器运行状态评估、快速故障诊断、精准维修以及提高变压器运行的可靠性与安全性等,均具有重要的价值和意义。现有的变压器状态监测主要依赖于人工巡检以及传统的电气和化学测量方法,成本高,实时性差。因此,低廉有效具有较强实时性的状态监测方法对于智能电网的发展是至关重要的。本文提出了基于RFID技术的变压器振动信号采集与传输方法以降低信号采集的成本,为了在降低成本的同时保证足够的通信距离,采用光伏电池作为RFID传感器的能量来源,考虑到光伏电池受天候影响较大,在夜间无法获取能量,采用超级电容作为备用电源,从而实现了对RFID传感器的不间断供电,提高了其工作的可持续性。随后,由于现有变压器机械故障诊断方法对于早期故障特征提取的效果不佳,本文重点研究了采用深度学习方法中的堆叠去噪自编码器(stacked denoising autoencoder,SDA)技术提取变压器早期故障特征的方法,SDA中各个DA的学习率采用双链量子遗传算法(double chain quantum genetic algorithm,DCQGA)优化生成。除此之外,SDA中各个隐含层的节点结构对于特征提取的效果也有着重要的影响,因此SDA隐含层结构也通过DCQGA算法生成。对于提取的特征,采用基于支持向量机(support vector machine,SVM)建立的变压器早期故障诊断模型对变压器绕组与铁芯各类早期故障进行识别。在变压器绕组与铁芯早期故障诊断的基础上,对其进行故障预测的相关研究。针对于当前对于变压器机械故障预测体系研究较少的现状,重点研究了一种变压器绕组与铁芯机械故障预测的体系结构,提出了采用振动信号的Hilbert边际谱作为故障预测特征的方法。依据得到的Hilbert边际谱,计算出其总谐波畸变(total harmonic distortion,THD)作为状态指数,对元件在一段时间内的状态指数进行计算,并以此为样本数据,应用样本数据对多核相关向量机(multiple kernel relevance machine,MKRVM)进行训练从而建立起相关的预测模型,对相应元件的故障发展趋势进行预测。实验结果表明,本文提出的故障振动与故障预测方法具有良好的诊断精度与预测精度。